谷歌AI:学习更好的偏微分方程仿真方法

研究人员已经开始探索使用ML在高性能计算方面提供持续改进的可能，以解决偏微分方程和科学计算中的困难计算问题。他们发现，ML可以用来学习在更粗的网格上更好地表示PDEs。

他们能够改进现有的方案，用基于机器学习的优化规则取代基于人类深刻洞察力的启发式。根据他们的说法，他们在ML模型中发现的规则是复杂的，他们并不完全理解这些规则，但是他们集成了复杂的物理原理，比如“上卷”的概念。为了精确地模拟流体中向你吹来的东西，你应该顺着风吹来的方向向上看。下面是他们在一个简单的流体动力学模型上的结果的一个例子。

本研究的重点是提高技术，以解决更大规模的模拟现实世界的科学计算问题，如天气和气候预测。

研究人员还展示了一种将机器学习和物理有效结合起来的方法。神经网络可以与传统模拟方法中的组件相结合，从而在复杂的高维空间中学习插值的最优规则，而不是从零开始学习物理。

通过这样的研究，我们可以期待更多的增强工程系统、自然现象仿真、知识发现、可视化数据处理以及更好的优化手段。